📈 economics

Randomization Inference For the Always-Reporter Treatment Effect

Cet article propose une méthode d'inférence par randomisation pour estimer l'effet moyen du traitement sur les « toujours-répondeurs » dans les essais contrôlés randomisés avec attrition, en utilisant un test de randomisation au pire des cas qui garantit une validité en échantillon fini et asymptotique malgré l'incertitude sur les configurations de répondeurs.

Auteurs originaux : Haoge Chang, Zeyang Yu

Publié 2026-03-27

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Haoge Chang, Zeyang Yu

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le Problème : La "Chasse aux Fantômes" dans les Enquêtes

Imaginez que vous êtes un enquêteur qui veut savoir si un nouveau médicament (le traitement) fonctionne mieux qu'un placebo (le groupe témoin). Vous donnez le médicament à 50 personnes et le placebo à 50 autres.

Mais voici le problème : à la fin de l'étude, certaines personnes ont disparu. Elles n'ont pas répondu au questionnaire final. En statistiques, on appelle cela de l'attrition (la perte d'échantillon).

Si les gens qui disparaissent le font pour une raison liée à leur santé (par exemple, ceux qui vont mal arrêtent de répondre), vos résultats seront faussés. C'est comme si vous jugiez un restaurant uniquement sur les avis des clients qui sont repartis satisfaits, en ignorant ceux qui sont partis en colère sans rien dire.

La Solution Classique (et ses limites)

Les statisticiens utilisent souvent une règle appelée monotonie. C'est une hypothèse un peu comme dire : "Le médicament ne peut pas rendre les gens moins enclins à répondre qu'avant."
Sous cette règle, on peut distinguer trois groupes de personnes :

Les "Toujours-Répondeurs" (Always-Reporters) : Ceux qui répondent quoi qu'il arrive (médicament ou placebo).
Les "Si-Répondeurs" : Ceux qui ne répondent que s'ils ont le médicament.
Les "Jamais-Répondeurs" : Ceux qui ne répondent jamais, peu importe le traitement.

Le but de l'étude est de mesurer l'efficacité du médicament uniquement sur le premier groupe (les "Toujours-Répondeurs"), car c'est le seul groupe dont on est sûr de pouvoir observer les résultats dans les deux cas.

Le hic ? On ne sait pas exactement qui appartient à quel groupe. On voit qui a répondu, mais on ne sait pas si une personne qui a répondu au groupe "médicament" l'aurait fait aussi avec le placebo. C'est comme essayer de deviner la couleur d'un chat dans le noir : on sait qu'il est là, mais on ne sait pas s'il est noir, blanc ou tigré.

La Nouvelle Approche : Le "Pire des Scénarios"

Les auteurs de ce papier (Chang et Yu) proposent une méthode très robuste, qu'on pourrait appeler la méthode du "Pire des Scénarios".

Imaginez que vous jouez à un jeu de devinette contre un adversaire très malin (la nature).

Vous avez vos données (qui a répondu, qui n'a pas répondu).
Votre adversaire doit vous dire : "Voici une configuration possible de qui sont les 'Toujours-Répondeurs' parmi vos participants."
Votre adversaire a le droit de choisir n'importe quelle configuration qui est compatible avec ce que vous voyez, à condition que cela rende votre test statistique le plus difficile possible (c'est-à-dire, qu'il rende le médicament moins efficace ou plus efficace de manière à fausser le résultat).

L'objectif de votre test est de dire : "Même si mon adversaire choisit la configuration la plus mauvaise possible pour moi, est-ce que je peux quand même affirmer avec certitude que le médicament a un effet ?"

Si la réponse est OUI, alors vous avez gagné. Votre conclusion est solide, peu importe comment les "fantômes" (les non-répondeurs) sont répartis.

Les Deux Types de "Gagnants"

Le papier propose une méthode qui garantit deux choses importantes :

La Garantie "Petite Échelle" (Validité en échantillon fini) :
Imaginez que vous jouez à un jeu de dés avec seulement 100 personnes. La méthode classique dit : "Si vous lancez assez de fois, ça va bien se passer." Mais ici, les auteurs disent : "Même avec seulement 100 personnes, si vous suivez cette règle du 'pire des scénarios', vous ne vous tromperez jamais (ou presque jamais)." C'est une sécurité absolue, comme un parachute qui fonctionne même si vous sautez d'un avion à basse altitude.
La Garantie "Grande Échelle" (Validité asymptotique) :
Si vous avez des milliers de personnes, la méthode reste fiable. C'est comme dire : "Que vous soyez petit ou grand, cette règle fonctionne."

Comment font-ils les calculs ? (L'Ingénierie du Calcul)

Le problème, c'est que vérifier toutes les configurations possibles de "Toujours-Répondeurs" est un cauchemar mathématique. C'est comme essayer de trouver la combinaison d'un coffre-fort avec des milliards de chiffres.

Les auteurs ont développé des astuces de génie pour résoudre ce casse-tête :

Pour les données simples (Oui/Non) : Ils utilisent la symétrie du problème pour compter rapidement, comme un magicien qui devine une carte sans la regarder.
Pour les données complexes (Chiffres continus) : Ils transforment le problème en un jeu d'optimisation (comme un puzzle logistique) qu'ils résolvent avec des algorithmes d'programmation entière. C'est comme si ils disaient à un ordinateur : "Trouve-moi la pire configuration possible, mais fais-le de manière intelligente en découpant le problème en petits morceaux."

En Résumé : Pourquoi c'est important ?

Ce papier est une boîte à outils pour les chercheurs qui font des expériences dans le monde réel (médecine, économie, politique), où les gens disparaissent souvent des études.

Au lieu de faire des suppositions fragiles sur pourquoi les gens disparaissent, cette méthode dit : "Même si on suppose le pire, voici ce qu'on peut affirmer avec certitude."

C'est comme construire un pont : au lieu de supposer qu'il n'y aura jamais de tremblement de terre, on le construit pour résister au pire séisme imaginable. Si le pont tient, on est sûr qu'il tiendra pour n'importe quel séisme réel.

L'analogie finale :
C'est comme si vous vouliez prouver que votre équipe de football est la meilleure. Au lieu de regarder seulement les matchs où vous avez gagné, vous imaginez toutes les façons possibles où l'arbitre aurait pu être partial contre vous. Si, même dans le scénario où l'arbitre vous a tout pris, votre équipe gagne encore, alors vous êtes vraiment la meilleure équipe. C'est ça, l'inférence par randomisation pour les "Toujours-Répondeurs".

1. Problématique et Contexte

L'article s'intéresse à l'inférence causale dans les essais contrôlés randomisés (RCT) souffrant d'attrition d'échantillon (non-réponse). Dans de telles études, les résultats ( $Y$ ) ne sont observés que pour un sous-ensemble des unités. Si l'attrition est corrélée aux résultats potentiels, cela introduit un biais de sélection.

Pour résoudre ce problème, les auteurs adoptent le cadre d'identification de [18] (Imbens et Rubin), qui repose sur l'hypothèse de monotonie du comportement de déclaration : le traitement affecte la probabilité de déclarer un résultat dans une seule direction (par exemple, le traitement ne peut pas rendre un individu susceptible de déclarer s'il ne l'aurait pas fait sans traitement).

Sous cette hypothèse, la population cible est celle des « always-reporters » (AR) : les unités qui auraient déclaré leurs résultats quelle que soit l'assignation au traitement ( $D=1$ ou $D=0$ ). Le paramètre d'intérêt est l'effet moyen du traitement sur cette sous-population (AR-ATE).

Le défi principal : Le statut d'« always-reporter » n'est pas directement observable. On ne sait pas avec certitude si une unité traitée qui a déclaré un résultat était un « always-reporter » ou un « if-reporter » (qui ne déclare que sous traitement). Par conséquent, la distribution des résultats pour les always-reporters n'est pas entièrement identifiable, même sous l'hypothèse nulle stricte.

2. Méthodologie Proposée

Les auteurs proposent une procédure d'inférence basée sur la randomisation (Randomization Inference - RI) plutôt que sur des approximations asymptotiques traditionnelles.

A. Approche « Pire Cas » (Worst-Case)

Puisque le vecteur d'indicateurs des always-reporters ( $A$ ) est inconnu, la méthode calcule une valeur-p de pire cas ( $p_{worst}$ ).

Construction de l'ensemble compatible : On définit l'ensemble $\mathcal{A}(D_{obs}, R)$ de tous les vecteurs $A$ possibles qui sont cohérents avec les données observées (assignations $D_{obs}$ et statuts de déclaration $R$ ).
Maximisation : La valeur-p est définie comme le maximum des valeurs-p de randomisation calculées sur tous les scénarios $A \in \mathcal{A}(D_{obs}, R)$ :
$p_{worst} = \sup_{A \in \mathcal{A}(D_{obs}, R)} p(A)$
Décision : On rejette l'hypothèse nulle stricte si $p_{worst} \le \alpha$ .

B. Conditions de Balance et Statistiques de Test

L'article identifie deux conditions d'équilibre sous l'hypothèse nulle stricte :

Équilibre des résultats (standard en RI).
Équilibre du nombre d'always-reporters entre les groupes de traitement et de contrôle (déduit de l'assignation aléatoire).

Pour tester ces conditions, les auteurs proposent trois statistiques de test (basées sur des statistiques de type Hajek et Chi-carré) :

$T_n^0$ : Statistique de Hajek studentisée (différence de moyennes).
$T_n^1$ : Statistique combinant $T_n^0$ et un terme de Chi-carré pour la balance des nombres d'AR.
$T_n^2$ : Variante utilisant une fonction de partie entière pour gérer les cas limites.

C. Procédure en Deux Étapes (Pré-test)

Pour réduire l'espace de recherche computationnel, une étape de pré-test est introduite :

On teste la balance du nombre d'always-reporters pour chaque configuration candidate.
Les configurations dont la valeur-p de ce test de balance est inférieure à un seuil $\beta$ sont éliminées (prunées).
Cela permet de réduire le nombre de scénarios à évaluer sans compromettre la validité globale (le niveau de test final est ajusté à $\alpha - \beta$ ).

3. Garanties Statistiques

L'article établit des garanties théoriques rigoureuses pour cette procédure :

Validité en Échantillon Fini (Sharp Null) : Sous l'hypothèse nulle stricte ( $y_i(1) = y_i(0)$ pour tout $i \in A$ ), la procédure contrôle le taux d'erreur de type I à un niveau $\alpha$ pour n'importe quelle taille d'échantillon.
Validité Asymptotique (Weak Null) : Sous l'hypothèse nulle faible (l'effet moyen du traitement est nul, mais les effets individuels peuvent être hétérogènes), la procédure est asymptotiquement valide.
- Point clé : Contrairement aux méthodes existantes, cette procédure reste valide même lorsque le taux d'attrition différentielle entre les groupes est négligeable (c'est-à-dire lorsque la proportion d'« if-reporters » tend vers zéro). Cela couvre une région de l'espace des paramètres souvent exclue par les approximations asymptotiques classiques.

4. Implémentation Computationnelle

Le calcul exact de $p_{worst}$ est un problème d'optimisation combinatoire difficile (NP-difficile dans le cas général). Les auteurs proposent des algorithmes adaptés au type de données :

Pour les résultats discrets (support fini) :
- Utilisation de l'énumération exhaustive exploitant la symétrie de la distribution de randomisation.
- La complexité est polynomiale en fonction de la taille de l'échantillon si le nombre de valeurs possibles de $Y$ est fixe.
Pour les résultats continus :
- Reformulation du problème en une collection de sous-problèmes d'optimisation par programmation linéaire en nombres entiers (ILP).
- Décomposition du problème en deux étapes :
  1. Décomposition de l'espace de recherche par intervalles de valeurs pour la statistique de test.
  2. Partitionnement par le nombre d'always-reporters ( $n_A$ ).
- Utilisation de bornes analytiques et de méthodes de bisection pour accélérer la résolution.
- Une approche heuristique permet d'obtenir des bornes inférieures rapides pour la valeur-p, souvent suffisantes pour rejeter ou ne pas rejeter l'hypothèse sans résolution complète.

5. Résultats des Simulations

Les auteurs évaluent la performance de leur méthode sur des données simulées ( $n=100$ ) :

Taille du test (Sharp Null) : Le taux de rejet est de 0,002 (inférieur au niveau nominal de 0,05), confirmant la validité en échantillon fini et la nature conservatrice de la méthode.
Puissance (Alternative) : Pour un effet de traitement $\tau=1$ , le taux de rejet est de 0,92, indiquant une bonne puissance.
Temps de calcul : La méthode est efficace. Dans la plupart des cas, l'algorithme heuristique permet de conclure rapidement (médiane ~35s). Les cas nécessitant une vérification exhaustive sont rares mais peuvent prendre plus de temps (jusqu'à ~75 000s pour les cas les plus difficiles), bien que cela reste gérable pour des tailles d'échantillon modérées.

6. Signification et Contribution

Cette recherche apporte plusieurs contributions majeures à la littérature sur l'inférence causale avec données manquantes :

Garanties Doubles : C'est la première méthode à offrir à la fois une validité en échantillon fini pour l'hypothèse stricte et une validité asymptotique uniforme pour l'hypothèse faible dans le cadre de l'attrition monotone.
Robustesse aux Cas Limites : La méthode fonctionne correctement même lorsque la sous-population d'intérêt (always-reporters) constitue presque toute l'échantillon, une situation où les méthodes asymptotiques standard échouent souvent.
Nouvelle Statistique de Test : L'intégration de la condition de balance du nombre d'always-reporters dans la statistique de test (via les composantes $g_1$ et $g_2$ ) améliore la puissance et la validité de l'inférence.
Faisabilité Computationnelle : En fournissant des algorithmes concrets (énumération pour les données discrètes, ILP pour les données continues), les auteurs rendent cette approche théoriquement solide applicable en pratique, comblant le fossé entre la théorie de la randomisation et les contraintes computationnelles réelles.

En résumé, cet article propose une alternative robuste et rigoureuse aux méthodes asymptotiques traditionnelles pour l'analyse des effets de traitement dans les essais avec attrition, garantissant la validité statistique sans dépendre d'hypothèses de régularité asymptotiques fortes.